研究前沿：集成光学-神经形态计算 | Nature Physics

文章预览

用于深度学习应用的神经网络规模及其能量消耗，日益增加，从而产生了替代神经形态方法的需求，例如，使用光学。当前的建议和实现依赖于物理非线性或光电转换，实现所需的非线性激活功能。然而，在功率水平、控制、能量效率和延迟方面，这些方法存在相当大的挑战。 今日，马普光学所 (Max-Planck-Institute for the Science of Light) Clara C. Wanjura & Florian Marquardt，在Nature Physics上发文，提出了一种神经形态系统的方案，并依赖于线性波散射，还实现了具有高表达率的非线性处理。 关键思想是将输入编码为影响散射过程的物理参数。研究表明，训练所需的梯度，可在散射实验中直接测量。还提出了一种使用基于跑道型racetrack谐振器的集成光子学实现方案，以最少的波导交叉，实现了高连通性。 这一工作介绍了一种易于实现的神经形态计算方法，可广 ………………………………